张春雨

（华北理工大学人工智能学院 河北 唐山 063210）

1 引言

电子对抗技术（electronic counter measures，ECM）是指采用的一些电子措施和行为动作达到与对方在电子战中相抗衡的目的。电磁波作为传递信息的重要载体之一，也是获取对方情报的重要手段，通过分析能够把握对方的关键技术和作战信息等，更有利于在对抗中占据优势地位[1]。

辐射源识别（emitter identification，EI）是现代电子对抗中的一个关键环节，如何有效提取辐射源信号的深层特征，构建可以广泛使用的识别分类模型成为当下研究的关键问题。鉴于深度学习（deep learning，DL）在其他领域的良好表现，将其引用到信号识别领域是十分必要的。一方面，实现特征的自动提取和分析；另一方面，可以再通过训练、学习保持识别能力。即使在趋于复杂的电磁环境下，对未知辐射源识别也能保持很好的泛化性能[2]。

本文重点研究基于小波分解和深度学习的辐射源信号识别算法，针对人工提取特征模型泛化能力低、提取二维时频图特征时效性差的问题，提出了新的解决思路。

2 理论基础

2.1 小波分解

辐射源信号是一个一维时间序列，信息维度低，且原始数据中包含了不必要的高频噪声信息，为了增加数据维度和去噪，本文采用多尺度一维小波分解对数据进行处理，既能得到各频带的子信号又增加了信号的维度，使后文提出的模型达到更好的识别效果[3]。

小波分解关键在于使用尺度函数和小波基函数将原始信号分解为不同频带的子信号[4]。……